Freelance data scientist : cadrer la mission, choisir le bon profil, mesurer ce qu'il produit

Le data scientist exploite des données pour répondre à une question d'affaires précise : quels clients risquent de partir, quelle demande prévoir le mois prochain, quel prix proposer, quelle fraude détecter. Il combine trois domaines de compétences : les mathématiques et les statistiques, la programmation (Python, R, SQL) et la connaissance du métier de son client.

La data science ne se résume donc pas à produire des tableaux de bord. Son livrable est une prévision, une segmentation ou une analyse qui change une décision, avec une marge d'erreur connue.

Ces trois métiers se complètent, et les confondre est la première source d'échec d'une mission :

Si vos données sont dispersées ou incomplètes, commencez par un data engineer ou par un audit de la collecte. Si vous avez surtout besoin de suivre l'activité dans un outil de BI, un data analyst suffit. Le data scientist apporte de la valeur quand les données existent et qu'une décision répétée peut être améliorée par la prévision : c'est là que la data science rapporte.

Les projets proposés aux data scientists freelances sur les plateformes françaises tournent autour de quelques cas d'usage récurrents : prévision des ventes, score d'attrition (churn), segmentation de la clientèle, détection d'anomalies ou de fraude, recommandation de produits, tarification, analyse de textes (avis, tickets de support).

En marketing, les cas les plus rentables sont souvent les plus simples : prévoir ce que rapportera un client pour ajuster le budget d'acquisition, ou repérer les comptes qui vont résilier pour agir avant. En finance, la prévision de trésorerie et la détection d'anomalies dominent. Dans l'industrie, la maintenance prédictive et la gestion des stocks reviennent souvent.

Les grandes entreprises du e-commerce, de la banque, de l'assurance, de l'énergie et de la distribution ont été les premières à structurer des équipes de data science. Les PME y viennent aujourd'hui avec des besoins plus ciblés : un seul cas d'usage, quelques mois de data science, et souvent des experts externes plutôt qu'un recrutement. Chaque entreprise part de son niveau de maturité data : inutile de copier l'organisation d'un grand groupe.

Dans les secteurs réglementés, la mission impose en plus de savoir gérer la confidentialité des données et d'expliquer chaque décision prise à partir d'un algorithme.

Une démarche sérieuse suit, dans chaque entreprise, des étapes proches du standard CRISP-DM, utilisé dans l'industrie depuis la fin des années 1990 :

1. 1compréhension du besoin : la décision à améliorer et l'indicateur qui dira si le projet réussit ;
2. 2audit des données : sources, historique disponible, qualité, biais de collecte ;
3. 3préparation : nettoyage, jointures, création des variables ;
4. 4modélisation : d'abord une référence simple, puis des modèles plus complexes seulement s'ils font mieux ;
5. 5évaluation sur des données jamais vues pendant l'entraînement, avec un indicateur métier et pas seulement statistique ;
6. 6passage en usage : intégration dans un outil, un rapport ou une API, avec un suivi régulier.

Les étapes 1 et 2 prennent souvent plus de jours que la modélisation elle-même. Une offre qui démarre directement par « nous allons faire du deep learning » saute l'essentiel.

Je cadre le besoin avec votre entreprise : décision visée, indicateur de succès, données disponibles, contraintes de confidentialité. Je vérifie la collecte, car un algorithme entraîné sur des données de tracking fausses produit des prévisions fausses : configuration Google Analytics 4, Google Tag Manager, Matomo, consentement et doublons. C'est le cœur de mon activité en tracking et analytics.

J'écris ensuite le cahier des charges, je sélectionne le profil, je suis l'avancement et je fais la recette des livrables : la prévision bat-elle une référence simple, sur une période de test indépendante, avec un gain mesuré en euros ou en temps ?

Concrètement, la note de cadrage que je remets avant tout démarrage contient :

• la décision à améliorer, formulée en une phrase, et la personne qui la prend ;
• l'indicateur de succès chiffré et la référence actuelle à battre ;
• l'inventaire des sources de données, avec l'historique disponible et les défauts connus ;
• les contraintes : données personnelles, hébergement, délais, outils imposés ;
• le profil recherché et le nombre de jours prévus pour chaque étape.

La modélisation avancée (deep learning, séries temporelles complexes, traitement du langage), le passage en production et la maintenance sont confiés à un data scientist ou à un spécialiste du machine learning que je choisis selon votre secteur et votre environnement technique. Vous gardez un seul interlocuteur pour le cadrage et le suivi, et un expert du domaine pour l'exécution. Cette répartition évite de payer un spécialiste pour des tâches de collecte et de nettoyage que la data d'origine aurait dû résoudre.

Les bases attendues sont la programmation en Python (pandas, scikit-learn) ou en R, une bonne maîtrise de SQL pour extraire soi-même les données, les statistiques (tests, intervalles de confiance, régression) et les mathématiques de l'optimisation. Sur ces bases s'ajoutent, selon les besoins, le big data (Spark), le cloud (AWS, Google Cloud, Azure) ou les réseaux de neurones (PyTorch, TensorFlow).

Méfiez-vous des CV qui alignent trente langages et outils : l'expérience se juge sur des projets, pas sur une liste. En Python comme en SQL, demandez un exemple de code commenté. Un bon profil sait surtout expliquer pourquoi il a choisi une approche simple plutôt qu'une approche complexe, et en quoi ses analyses ont changé une décision dans l'entreprise. Pour un recruteur non technique, c'est aussi la meilleure façon de savoir si le data scientist saura vous aider au quotidien.

La communication pèse autant que les compétences en informatique. Un data scientist doit traduire un résultat en recommandation compréhensible par un chef de projet ou une direction, dire ce que l'algorithme ne sait pas faire, et refuser un sujet quand les données ne le permettent pas. Un data scientist qui sait dire non vous fait gagner plus de temps qu'un data scientist qui accepte tout.

Beaucoup de profils sortent d'écoles d'ingénieurs ou de masters en statistiques, mathématiques appliquées ou informatique. D'autres viennent de formations professionnelles courtes après une première expérience en BI ou en développement. Le parcours compte moins que les réalisations : demandez à voir des travaux concrets, même anonymisés, et à comprendre la fonction qu'ils occupaient dans l'équipe.